纯视觉操控桌面，真能替代API方案？

这个GitHub项目把一个简单问题摆得很直白：AI要操作电脑，到底是"看屏幕"还是"调接口"？Mano-P用同一任务跑了两种路径——纯视觉Agent只靠截图理解和鼠标键盘模拟来干活，完全不碰系统API；对照方案则走传统的无障碍树和接口调用。前者的好处很粗暴：不需要系统给任何特殊权限，理论上任何能显示画面的环境都能跑。后者胜在精准和高效，但封闭系统随时可能把门关上。我的判断：两条路各有各的天命，但真正值得押注的是视觉路线——因为API随时可能被平台方收回，而屏幕永远都在。

原文：Vision-Only Desktop Agents vs. API-Based: Running the Same Task Both Ways · 来源：Hacker News